Semua tool
Review kode hibrida: aturan deterministik dulu, LLM belakangan — satu-satunya urutan yang lolos review keamanan enterprise.
CLI untuk git worktree agar beberapa coding agent bisa jalan paralel tanpa merusak working tree satu sama lain.
Kumpulan skill reusable untuk coding agent — pembeda antara agent yang menyelesaikan tugas dan yang menyelesaikannya dengan cara Anda.
Agent native-terminal yang membuat agentic coding jadi arus utama — dan patokan bagi semua coding agent lain.
Menjalankan banyak coding agent paralel sementara tetap memakai subscription yang sudah Anda bayar — model biayanya adalah produknya.
Lapisan routing yang menjaga coding agent tetap hidup saat satu provider membatasi rate — fallback-nya saja sudah sepadan.
Menghapus ritme khas output model dari teks generated — berguna, sekaligus pengingat bahwa ciri-cirinya kini sudah umum diketahui.
Daftar eksplisit dan mudah dibaca tentang sekitar dua puluh pola yang membuat teks terasa generated — lebih berguna sebagai checklist daripada filter.
Jarak terpendek dari pip install ke retriever yang jalan — sebabnya hampir semua tutorial RAG mulai di sini.
Memvalidasi output model terhadap schema alih-alih berharap — dan bertanya ulang saat validasi gagal.
Memberi agent kesinambungan lintas sesi — bagian yang hilang begitu pengguna berharap ia mengingat mereka.
Trace LLM sebagai span OpenTelemetry standar — sehingga mendarat di stack observability yang sudah Anda bayar.
Beberapa persen terakhir throughput GPU, dibayar dengan kompleksitas build dan lock-in hardware.
Pipeline dokumen-ke-RAG siap pakai, dari tim yang menjalankannya di skala Tencent.
Lapisan parsing yang tidak glamor, tapi menentukan apakah RAG Anda bekerja sama sekali.
Front end yang Anda serahkan ke pengguna setelah lapisan model selesai.
Platform chat multi-user multi-provider dengan agent dan MCP yang sudah tersambung.
Pertanyaan soal format kapabilitas agent sedang diselesaikan di sini, dan bentuknya cuma sebuah folder.
Akses web untuk agent tanpa bayar per panggilan — termasuk platform yang tidak punya API yang berguna.
Memperlakukan context window sebagai anggaran dengan rincian pos, bukan ember yang terus Anda tuangi.
Menempatkan spesifikasi kembali di depan kode — satu-satunya cara output agent tetap bisa direview.
Bukan tool melainkan metode: enkode cara kerja tim Anda, lalu biarkan agent mengikutinya.
Plugin rilis vendor untuk pekerjaan nyata knowledge worker — templat awal yang bisa dipakai.
Mesin inferensi LLM throughput tinggi dengan PagedAttention — pilihan utama saat Anda perlu memeras GPU.
Satu perintah untuk menjalankan LLM di laptop — cara tercepat menampilkan model ke klien.
Inferensi berbasis C/C++ yang mengutamakan CPU — jalan di tempat GPU tidak bisa.
Serving stack berbasis Rust dari HuggingFace dengan tensor parallelism dan streaming bawaan.
Mesin serving yang dirancang untuk output terstruktur dan reuse prefix yang berat.
Satu antarmuka bergaya OpenAI untuk 100+ provider model, plus proxy yang melacak pengeluaran per key.
Framework data untuk ingestion, indexing, dan retrieval — paling kuat di RAG yang padat dokumen.
Mengubah PDF, HTML, dan hasil scan menjadi elemen terstruktur yang benar-benar bisa dipakai retriever.
Mesin RAG end-to-end dengan chunking berbasis template yang bisa Anda tunjukkan ke klien.
Memodelkan agent sebagai graph state eksplisit — bedanya loop demo dengan sistem yang bisa dikendalikan.
Platform LLMOps yang bisa self-host dengan workflow visual, RAG, dan manajemen prompt dalam satu paket.
Orkestrasi multi-agent berbasis peran — mudah dijelaskan saat Anda harus menerangkannya ke manajer.
Framework multi-agent berbasis percakapan dengan tooling eksekusi kode yang kuat.
Permukaan integrasi terluas di tooling LLM — paling berguna saat Anda butuh konektor hari ini juga.
Tracing, eval, dan manajemen prompt yang bisa di-self-host — lapisan observability yang sering lupa dibangun tim.
Suite metrik untuk RAG: faithfulness, context precision, recall — angka yang Anda butuhkan sebelum review go-live.
Observability yang berpusat di notebook dengan clustering yang memunculkan mode kegagalan yang tidak terpikir untuk diuji.
Proxy drop-in yang mencatat setiap request dan menampilkan biaya per pengguna, per fitur, per hari.
Vector database berbasis Rust dengan filtering payload — kuat saat metadata sama pentingnya dengan similarity.
Vector database terdistribusi untuk skala miliaran — pilihan setelah satu node tidak lagi cukup.
Vector database dengan modul vektorisasi bawaan — lebih sedikit glue code di jalur ingestion.
Vektor di dalam Postgres yang sudah Anda jalankan — jawaban yang tepat sampai batasnya terlampaui.
Belum ada konten. Crawl berikutnya akan mengisinya.